¿Quiénes abandonarán la escuela? Aprovechar los sistemas de datos administrativos para predecir la deserción escolar en Guatemala y Honduras

En Guatemala y Honduras, la educación es obligatoria hasta el noveno grado; sin embargo, casi el 40 % de los estudiantes que termina la educación primaria abandona la escuela antes de completar dicho grado. Esta realidad se repite en muchos países de ingreso medio y bajo, donde el nivel educativo alcanzado continúa estando por debajo de las aspiraciones. La evidencia global indica que los jóvenes que abandonan la escuela anticipadamente, en promedio, ganarán menos y experimentarán más desafíos sociales y económicos que sus pares con más años de educación. La deserción escolar es un fenómeno complejo, impulsado por múltiples factores que llevan a los jóvenes a ingresar o dejar la escuela a lo largo del tiempo.

Para apenas comenzar a formular estrategias de prevención del abandono escolar eficaces, los responsables de formular políticas deben poder responder una pregunta sorprendentemente difícil: ¿quién tiene más probabilidades de abandonar la escuela? Esta interrogante puede parecer relativamente fácil de contestar. Uno podría suponer que la deserción se produce solo en escuelas particularmente desfavorecidas, o entre estudiantes con características específicas. Sin embargo, el abandono escolar suele dispersarse entre las escuelas y no es fácil identificarlo por elementos únicos, reflejando cuán complejo es el problema.  Por ejemplo, en Guatemala, más de la mitad de los alumnos de sexto grado que abandonan la escuela antes de iniciar la enseñanza secundaria, está disperso entre el 70 % de las escuelas primarias del país. Y si bien el 50 % de los estudiantes que se encuentran en el cuartil más bajo de la prueba estandarizada nacional de sexto grado abandona la escuela, también lo hace el 20 % de aquellos que se ubican en el cuartil más alto.

Las inversiones realizadas por Guatemala y Honduras en los últimos años para establecer sistemas de gestión de la información ahora comienzan a dar resultados, permitiendo responder al problema de la predicción del abandono escolar. En ambos países, los datos sobre los estudiantes y a nivel de las escuelas ahora se digitalizan y se almacenan en redes de bases de datos administrativas interconectadas, que incluyen identificadores únicos de estudiantes para hacer seguimiento de los alumnos a lo largo del tiempo y, en el caso de Guatemala, esa información se puede vincular directamente con datos de exámenes estandarizados. Como parte de la asistencia técnica en curso, el Banco Mundial colaboró con el Ministerio de Educación de Guatemala y la Secretaría de Educación de Honduras para usar sus datos administrativos con el fin de estimar los modelos de predicción de la deserción escolar en el periodo de transición de la enseñanza primaria al primer ciclo de la enseñanza secundaria.

Estos modelos se basan en un conjunto de investigaciones cada vez mayor que usa los múltiples datos administrativos disponibles en muchos sistemas escolares de Estados Unidos para predecir con varios meses o varios años de anticipación qué estudiantes desertarán de la escuela. En la actualidad, más de 30 estados en Estados Unidos cuentan con algún tipo de sistema de “alerta temprana” basado en la predicción del abandono escolar, abarcando desde una colección de indicadores extraídos de datos administrativos hasta algoritmos de aprendizaje automático complejos.

En un artículo publicado recientemente, señalamos que utilizando regresiones lineales y conceptos básicos de predicción podemos pronosticar con precisión aproximadamente el 80 % de los estudiantes del último grado de enseñanza primaria que abandonaron la escuela al año siguiente en Guatemala y Honduras, obteniendo resultados en niveles comparables a los modelos usados en Estados Unidos (el documento de trabajo se puede descargar gratuitamente aquí). Dado que estos modelos de predicción se basan en datos recopilados de manera rutinaria en muchos sistemas de información y técnicas analíticas relativamente simples, es posible implementarlos en países con diferentes contextos. Al proporcionar un mecanismo preciso para focalizar, estos modelos podrían reducir considerablemente la asignación inadecuada de los recursos de los programas. En base a un ejercicio de simulación  simple de un programa de prevención del abandono escolar usando datos de Guatemala y Honduras, encontramos que la focalización en los estudiantes sobre la base de estos modelos—en lugar de la focalización en los municipios pobres o las escuelas con alto grado de deserción— podría disminuir la asignación ineficiente de los recursos entre un 30 % y un 80 %.

La predicción precisa es solo un primer paso hacia el establecimiento de un sistema de alerta temprana, y de inmediato surge la siguiente pregunta: ¿qué se puede hacer con las predicciones? Las experiencias de los sistemas de alerta temprana de Estados Unidos y otros países ponen de relieve varias consideraciones importantes: comunicar claramente el significado de las predicciones y evitar la estigmatización de los estudiantes; definir quién debería recibir qué información y quién es responsable de tomar qué medidas; facultar a los funcionarios escolares a nivel local para que puedan identificar e implementar medidas de prevención de la deserción personalizadas y relevantes, y adoptar un enfoque iterativo para poder extraer enseñanzas de los programas piloto iniciales. Como parte de nuestra colaboración en Guatemala, el equipo de educación del Banco Mundial ha tomado muy en serio estos aprendizajes para brindarle apoyo al Ministerio de Educación en sus esfuerzos por desarrollar un sistema de alerta temprana basado en estos modelos de predicción.

Este enfoque puede ser muy ventajoso para otros países que han invertido en el establecimiento de sistemas de datos administrativos confiables y que buscan maneras de abordar sus problemas de deserción escolar. Este tipo de modelos de predicción se volverán más precisos con el tiempo dado el crecimiento exponencial de los datos administrativos, la información en tiempo real y los rápidos avances en materia de machine learning. Además, una línea importante de investigación en el futuro sería utilizar datos no solo para predecir mejor quiénes abandonan la escuela, sino también para comprender mejor por qué lo hacen.